基于无人机遥感影像的农作物分类研究
发布时间：2021-07-20 15:57
准确快速的获取农作物分类信息在农作物种植面积监测与制图、作物长势监测与产量估算、农业灾害监测及生态环境信息监测等方面有重要应用,对于政府了解农作物种植信息,调整农业产业结构,确保国家粮食安全等均有重要意义。随着无人机平台及摄影测量技术的发展,无人机遥感为农作物分类调查提供了新思路,无人机具有作业灵活、操作简单、节省人力物力等特点,可以获得超高分辨率遥感影像,在中小尺度上,无人机能充分发挥优势,还可以为大面积卫星遥感提供地面验证,对作物监测技术的发展和应用具有重大意义。因此,通过无人机遥感影像获得农作物分类信息十分必要。本文研究了一种利用无人机影像光谱、纹理、空间特征组合提取农作物分类信息的方法,并初步分析了无人机影像分辨率对农作物分类精度及效率的影响。首先,我们进行研究区域选择和地面实际情况调查,用无人机遥感系统进行可见光影像采集;其次,基于可见光影像及数字表面模型提取农作物光谱、纹理、空间组合最优分类特征,采用支持向量机进行农作物无人机遥感影像的分类研究;最后基于支持向量机分类方法获取不同分辨率影像的农作物信息,统计分类精度及分类速度,分析无人机遥感影像分辨率对农作物分类精度的影响,...
【文章来源】：中国农业科学院北京市
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
技术路线图
据的选择上争取具有典型性，可为无人机遥感农作物分类研究提供参考，扩大无人机遥感应用的范围。首先，在研究区域方面，选择黑龙江省农业科学院民主研究基地，此基地具有丰富的监测数据和农业基础数据，为探究无人机遥感影像农作物分类提供了有利条件。其次，在数据方面，以无人机遥感平台于 2017 年和 2018 年在黑龙江省农业科学院民主研究基地获取的可见光遥感影像为基础数据，此外还根据目视解译以及实地调查数据作为辅助数据，并分别对影像数据及辅助数据进行预处理工作，保障研究结论的真实可靠性和研究方法的可重复性。2.1 研究区域概况研究区位于黑龙江省，黑龙江省位于东经 121°13′到 135°06′，北纬 43°25′到 53°34′之间，是我国经度最东的和纬度最高的省份，黑龙江省地势复杂多样，其走势为交叉状，即西北、北部、东南部高，东部和西南部低。黑龙江省农业科学院民主研究基地，是国家级农业示范研究基地，基地位于黑龙江省哈尔滨市西北方向，处于北纬 45°20′～46°20′，东经 126°15′～127°30′之间，属于中温带大陆性季风气候，在一年之间四季分明，冬季多雪，春、秋过度时间较短，夏季气凉爽，年降水量约为 523 毫米，年平均气温为 4.2°C。基地面积约为 3.0km×2.5km，地形有较大起伏，测区内包含水稻、玉米、大豆及马铃薯等多类农作物。测区面积适中，作物类型多样，种植结构复杂度高，是检验作物分类算法的理想实验区域。
研究中所涉及的实验数据分两期在该区域进行采集，分别是 2017 年 8 月及 2018 年 6 月取设备为 SONYA7R 微单相机，无人机获取的影像为 RGB 图像，且在无人机航拍过程中航向上的重叠率均达到 80%，满足生成 RGB 正射影像的要求。本文所选用电脑为 Del为 Inte（lR）Cor（eTM）i5-6500Cpu@3.20GHz，内存为 16.0GB，操作系统为 64 位 Windows针对无人机采集的单个航片，需要进行拼接获得整个大区域影像。在对比分析 Bently 公ntextCaptur（eSmart3D），俄罗斯 Agisoft 公司的 PhotoScan 以及瑞士 Pix4D 公司 Pix4Dmap后，选取 Smart3D 作为影像快速拼接工具。首先在 Smart3D 里利用 POS 数据，进行几地理信息配准，通过建立立体模型、赋予纹理，最后获取整个大区域图像。具体过程可下四个步骤完成：）将无人机航拍影像、POS 数据导入软件导入 Smart3D 中。）两次空中三角测量，首先使用 POS 数据平差处理，完成相机校验及相对定向，再使用据完成模型的绝对定向。）根据密集点云生成 3D 模型并赋予纹理）生成 DOM/DSM 数据并导出。射图像空间分辨率为 0.10m，以 TIFF 格式存储；图像存储了地物红、绿、蓝 3 种色彩的数值范围 0-255。
【参考文献】：
期刊论文
[1]利用无人机遥感提取育种小区玉米倒伏信息[J]. 毛智慧,邓磊,赵晓明,胡艺凡. 中国农学通报. 2019(03)
[2]基于无人机成像的棉田判别与面积估测[J]. 邹昆霖,张若宇,江英兰. 石河子大学学报(自然科学版). 2018(06)
[3]基于条件随机场的高光谱遥感影像农作物精细分类[J]. 余铭,魏立飞,尹峰,李丹丹,黄庆彬. 中国农业信息. 2018(03)
[4]基于多元HoG及无人机航拍图像的植被类型识别[J]. 林志玮,丁启禄,涂伟豪,林金石,刘金福,黄炎和. 森林与环境学报. 2018(04)
[5]基于无人机LiDAR数据在公路勘测中的应用分析[J]. 郑长春,梁艳玲. 测绘与空间地理信息. 2018(09)
[6]基于无人机遥感可见光影像的北疆主要农作物分类方法[J]. 戴建国,张国顺,郭鹏,曾窕俊,崔美娜,薛金利. 农业工程学报. 2018(18)
[7]基于多源遥感数据的复杂地形区农作物分类[J]. 史飞飞,雷春苗,肖建设,李甫,石明明. 地理与地理信息科学. 2018(05)
[8]无人机影像与地形指数结合的梯田信息提取[J]. 薛牡丹,张宏鸣,杨江涛,李星恕. 计算机应用研究. 2019(08)
[9]基于无人机遥感的农田地物识别实验研究[J]. 鞠登磊,谢华. 科技创新导报. 2018(14)
[10]我国智慧农业研究和应用最新进展分析[J]. 申格,吴文斌,史云,杨鹏,周清波. 中国农业信息. 2018(02)
博士论文
[1]基于时序MODIS影像的农作物遥感识别方法研究[D]. 胡琼.中国农业科学院 2018
[2]农情监测数据获取及管理技术研究[D]. 邹金秋.中国农业科学院 2012
硕士论文
[1]基于无人机数码影像的水稻产量估测研究[D]. 李昂.沈阳农业大学 2018
[2]基于无人机摄影测量的地质灾害监测[D]. 曾跃.吉林大学 2016
[3]基于无人机遥感技术的玉米种植分布信息提取方法研究[D]. 李广.西北农林科技大学 2016
[4]UAV/RS3D像对森林信息提取方法研究[D]. 李蕴雅.北京林业大学 2016
[5]基于无人机遥感平台图像采集处理系统的研究[D]. 刘小龙.浙江大学 2013
本文编号：3293130
【文章来源】：中国农业科学院北京市
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
技术路线图
据的选择上争取具有典型性，可为无人机遥感农作物分类研究提供参考，扩大无人机遥感应用的范围。首先，在研究区域方面，选择黑龙江省农业科学院民主研究基地，此基地具有丰富的监测数据和农业基础数据，为探究无人机遥感影像农作物分类提供了有利条件。其次，在数据方面，以无人机遥感平台于 2017 年和 2018 年在黑龙江省农业科学院民主研究基地获取的可见光遥感影像为基础数据，此外还根据目视解译以及实地调查数据作为辅助数据，并分别对影像数据及辅助数据进行预处理工作，保障研究结论的真实可靠性和研究方法的可重复性。2.1 研究区域概况研究区位于黑龙江省，黑龙江省位于东经 121°13′到 135°06′，北纬 43°25′到 53°34′之间，是我国经度最东的和纬度最高的省份，黑龙江省地势复杂多样，其走势为交叉状，即西北、北部、东南部高，东部和西南部低。黑龙江省农业科学院民主研究基地，是国家级农业示范研究基地，基地位于黑龙江省哈尔滨市西北方向，处于北纬 45°20′～46°20′，东经 126°15′～127°30′之间，属于中温带大陆性季风气候，在一年之间四季分明，冬季多雪，春、秋过度时间较短，夏季气凉爽，年降水量约为 523 毫米，年平均气温为 4.2°C。基地面积约为 3.0km×2.5km，地形有较大起伏，测区内包含水稻、玉米、大豆及马铃薯等多类农作物。测区面积适中，作物类型多样，种植结构复杂度高，是检验作物分类算法的理想实验区域。
研究中所涉及的实验数据分两期在该区域进行采集，分别是 2017 年 8 月及 2018 年 6 月取设备为 SONYA7R 微单相机，无人机获取的影像为 RGB 图像，且在无人机航拍过程中航向上的重叠率均达到 80%，满足生成 RGB 正射影像的要求。本文所选用电脑为 Del为 Inte（lR）Cor（eTM）i5-6500Cpu@3.20GHz，内存为 16.0GB，操作系统为 64 位 Windows针对无人机采集的单个航片，需要进行拼接获得整个大区域影像。在对比分析 Bently 公ntextCaptur（eSmart3D），俄罗斯 Agisoft 公司的 PhotoScan 以及瑞士 Pix4D 公司 Pix4Dmap后，选取 Smart3D 作为影像快速拼接工具。首先在 Smart3D 里利用 POS 数据，进行几地理信息配准，通过建立立体模型、赋予纹理，最后获取整个大区域图像。具体过程可下四个步骤完成：）将无人机航拍影像、POS 数据导入软件导入 Smart3D 中。）两次空中三角测量，首先使用 POS 数据平差处理，完成相机校验及相对定向，再使用据完成模型的绝对定向。）根据密集点云生成 3D 模型并赋予纹理）生成 DOM/DSM 数据并导出。射图像空间分辨率为 0.10m，以 TIFF 格式存储；图像存储了地物红、绿、蓝 3 种色彩的数值范围 0-255。
【参考文献】：
期刊论文
[1]利用无人机遥感提取育种小区玉米倒伏信息[J]. 毛智慧,邓磊,赵晓明,胡艺凡. 中国农学通报. 2019(03)
[2]基于无人机成像的棉田判别与面积估测[J]. 邹昆霖,张若宇,江英兰. 石河子大学学报(自然科学版). 2018(06)
[3]基于条件随机场的高光谱遥感影像农作物精细分类[J]. 余铭,魏立飞,尹峰,李丹丹,黄庆彬. 中国农业信息. 2018(03)
[4]基于多元HoG及无人机航拍图像的植被类型识别[J]. 林志玮,丁启禄,涂伟豪,林金石,刘金福,黄炎和. 森林与环境学报. 2018(04)
[5]基于无人机LiDAR数据在公路勘测中的应用分析[J]. 郑长春,梁艳玲. 测绘与空间地理信息. 2018(09)
[6]基于无人机遥感可见光影像的北疆主要农作物分类方法[J]. 戴建国,张国顺,郭鹏,曾窕俊,崔美娜,薛金利. 农业工程学报. 2018(18)
[7]基于多源遥感数据的复杂地形区农作物分类[J]. 史飞飞,雷春苗,肖建设,李甫,石明明. 地理与地理信息科学. 2018(05)
[8]无人机影像与地形指数结合的梯田信息提取[J]. 薛牡丹,张宏鸣,杨江涛,李星恕. 计算机应用研究. 2019(08)
[9]基于无人机遥感的农田地物识别实验研究[J]. 鞠登磊,谢华. 科技创新导报. 2018(14)
[10]我国智慧农业研究和应用最新进展分析[J]. 申格,吴文斌,史云,杨鹏,周清波. 中国农业信息. 2018(02)
博士论文
[1]基于时序MODIS影像的农作物遥感识别方法研究[D]. 胡琼.中国农业科学院 2018
[2]农情监测数据获取及管理技术研究[D]. 邹金秋.中国农业科学院 2012
硕士论文
[1]基于无人机数码影像的水稻产量估测研究[D]. 李昂.沈阳农业大学 2018
[2]基于无人机摄影测量的地质灾害监测[D]. 曾跃.吉林大学 2016
[3]基于无人机遥感技术的玉米种植分布信息提取方法研究[D]. 李广.西北农林科技大学 2016
[4]UAV/RS3D像对森林信息提取方法研究[D]. 李蕴雅.北京林业大学 2016
[5]基于无人机遥感平台图像采集处理系统的研究[D]. 刘小龙.浙江大学 2013
本文编号：3293130
本文链接：https://www.wllwen.com/kejilunwen/nykj/3293130.html
